EngineerBrain — สมองความรู้ขององค์กร

โปรเจกต์นี้คือ EngineerBrain — เลเยอร์ความรู้ภายในของ KNOW IT SOLUTION ที่ engineerbrain.knowitsolution.com ไม่ใช่แชทบอทอีกตัว และไม่ใช่ wiki ที่คนอ่านอย่างเดียว แต่เป็นสมองกลางขององค์กร ที่ AI agent ใดก็เรียกผ่าน MCP ได้ เพื่อค้นมาตรฐานบริษัท วางแผน/รีวิวตามนั้น แล้วเรียนรู้กลับเข้าคลังโดยมีคนอนุมัติ

สรุปสั้นๆ: ความรู้บริษัทอยู่ที่เดียว (กฎ / HOW-to / blueprint / checklist) · Agent ใน Cursor, Claude, Copilot, Windsurf, Cline หรือ MCP client อื่นใช้ชุด tool เดียวกัน · คนดูแลคลังผ่าน Knowledge Admin — ไม่ปล่อยให้โมเดลเขียนทับ corpus เงียบๆ

หมายเหตุ: EngineerBrain เป็นระบบภายใน / proprietary ของ Know IT — ไม่ใช่ผลิตภัณฑ์ดาวน์โหลดสาธารณะ แต่เราเล่าแพทเทิร์นและความสามารถที่องค์กรสนใจแนวเดียวกันเอาไปคุยต่อได้

ทำไมถึงทำโปรเจกต์นี้

พอทีมใช้ AI ช่วยเขียนโค้ดมากขึ้น ปัญหาที่เห็นชัดคือแต่ละ agent “เดา” รูปแบบเองจากเน็ตสาธารณะ — มาตรฐานบริษัท คู่มือโดเมน (telecom / sales / support ฯลฯ) และบทเรียนจากบั๊กจริง มักค้างในแชทหรือหัวคน

เราเลยสร้างสมองกลางให้ชัด 3 ข้อ:

• ความจริงองค์กรเดียว — Agent ดึงกฎและ skill จากคลังก่อนลงมือ ไม่ต้อง reinvent Know IT ทุกครั้ง
• ใช้ได้หลาย IDE — ไม่ล็อกแค่ Cursor; ต่อผ่าน MCP stdio หรือ HTTP แล้วติดตั้ง harness ที่ product repo
• คนอยู่ในลูป — บทเรียนเข้า inbox → promote / merge / reject ใน Admin ไม่ auto-write เข้ากฎเสมอ

ระบบนี้ทำอะไรได้บ้าง

ถ้ามองในมุม “ของที่องค์กรเอาไปใช้จริง” ชุดนี้ครอบคลุมประมาณนี้:

• ค้นความรู้แบบ typed — rule / skill / blueprint / architecture / example / checklist / template พร้อม keyword และ hybrid (keyword ∪ vector) สำหรับคำถามที่พูดแบบคน
• วางแผนและรีวิวตามมาตรฐาน — plan จากคลัง, review / quality-gate / PR check ตาม checklist บริษัท
• Learn-back — ร่างจากข้อความอิสระ → คนยืนยัน → inbox → promote/merge พร้อมเสนอ Related กลับ hub
• หลายทางเข้า — MCP stdio (IDE ในเครื่อง), MCP HTTP (ทีม/CI), Knowledge Admin (เบราว์เซอร์ + SSO), และ agent rules ใน product repo
• Admin สำหรับคน — Ask (cite/plan), ค้น catalog + ตัวกรอง, แผนที่ Related, link hygiene, capture, inbox

สิ่งที่ไม่ได้เป็น: ปลั๊กอิน ChatGPT อัตโนมัติ · แทนที่ wiki ส่วนตัวทั้งก้อน · หรือ “ส่งสมอง Know IT ทั้งก้อน” ให้ลูกค้าโดยไม่กรอง audience — คลังลูกค้าสร้าง/ดูแลของตัวเองตาม go-live

Stack ที่ใช้ (และทำไมเลือกแบบนี้)

เลือกชุดที่รันเป็น MCP server จริง และทีมดูแลคลังผ่านเว็บได้:

• Core: Node.js + TypeScript — MCP over stdio (Cursor ฯลฯ) และ Fastify HTTP (/mcp + health + knowledge API)
• Knowledge: Markdown บน filesystem + frontmatter (domain, audience, status, owner) — ค้นง่าย อ่านใน git ได้
• Search: keyword เป็นค่าเริ่มต้น; เปิด hybrid ด้วย Qdrant + embedding เมื่อต้องการ recall จากคำถามแบบ paraphrase
• Knowledge Admin: Nuxt + Vuexy — มนุษย์ triage inbox / Ask / แผนที่ความรู้ ด้วย SSO
• Ops: Docker Compose สำหรับ local/stack; แยก token อ่าน-เขียนของ MCP จาก cookie SSO ของ Admin

จุดสำคัญของสถาปัตย์นี้คือคลังเดียว หลาย client — ไม่ต้องมี “สมองที่สอง” ในแต่ละ IDE และไม่สับสนระหว่าง wiki คนอ่าน กับ delivery loop ของ agent

ถ้าองค์กรเอาไปใช้ จะหน้าตาเป็นยังไง

สมมติบริษัทคุณอยากมีสมองกลางแนวเดียวกัน — โฟลว์ที่เราแนะนำจะประมาณนี้:

1. ตั้งคลัง Day-0 — กฎ always-on, skill ตาม stack, hub ตามโดเมนที่ทีมทำงานจริง (อย่าเททั้งเน็ตเข้าไปวันแรก)
2. ต่อ MCP — ชี้ IDE หรือ shared HTTP ที่ instance ของคุณ; ติดตั้ง agent rules / slash ที่ product root
3. สอนลูปใช้งาน — session-start → ดึงความรู้ก่อนโค้ด → quality-gate → capture เฉพาะบทเรียนที่ใช้ซ้ำได้
4. ให้คนเป็นเจ้าของคลัง — Admin สำหรับ promote/merge; กำหนด audience และอายุเอกสาร (โปรโมชัน/แคมเปญ) ให้ชัด

ผลลัพธ์ที่องค์กรได้ไม่ใช่แค่ “AI เขียนเร็วขึ้น” แต่เป็นความรู้ที่สะสมข้ามเซสชันและข้ามเครื่องมือ — บั๊กที่แก้แล้วกลายเป็น skill, มาตรฐานเดียวกันทุก agent

ข้อควรระวังตอนเอามาใช้จริง:

• อย่าใส่ secret / PII / ราคาภายในในเอกสารที่ audience เป็นสาธารณะหรือ customer-safe โดยไม่ตั้งใจ
• แยก MCP token กับ SSO ของ Admin — อย่าใช้ cookie เว็บไปเรียก tool
• เริ่มจาก hub น้อยๆ ที่ใช้บ่อย แล้วค่อยขยาย Related — อย่า dump เอกสารทั้งองค์กรวันแรก
• วัด retrieval ด้วยชุดคำถามของบริษัทเอง (เราเปิดเผยแนว bench สาธารณะใน landing) ไม่ใช่คะแนนแชทของ LLM

สิ่งที่ส่งมอบในรอบนี้

• MCP server (stdio + HTTP) พร้อม catalog ค้น / วางแผน / รีวิว / เขียนกลับคลัง
• คลัง Markdown + hybrid search (เมื่อเปิด Qdrant)
• Knowledge Admin (Ask, catalog, map, inbox, capture)
• Landing สาธารณะอธิบายผลิตภัณฑ์ + ลิงก์ benchmark ที่รันซ้ำได้
• Harness / agent rules สำหรับ IDE หลักหลัง generate_agent_rule

บทบาทของ KNOW IT

ทีมเราออกแบบและดูแล EngineerBrain เป็นสมองภายในของบริษัทเอง — ทั้ง corpus, MCP tools, Admin, harness และ landing ที่อธิบายแพทเทิร์นให้ลูกค้า/พาร์ทเนอร์เข้าใจ เป้าหมายคือให้ทีมส่งมอบงานบนความจริงองค์กรเดียวกัน และมีตัวอย่างคุยได้ว่าถ้าองค์กรอยากมีชั้น MCP knowledge แบบนี้ เริ่มยังไง แยกหน้าที่คนกับ agent ยังไง

อยากลองดูของจริง

อ่านภาพรวมได้ที่ engineerbrain.knowitsolution.com — ส่วนสกรีนช็อตในแกลเลอรีคือหน้าจริงของ landing / Admin จากชุดนี้ ถ้าองค์กรสนใจแนวสมองกลางสำหรับ AI agent สอบถามทีมเราได้ตามช่องทางติดต่อบน knowitsolution.com